Model dyfuzji do generowania morficznych meshy oparty na grafach

Obecnie modele generatywne sztucznej inteligencji cieszą się ogromnym popytem. Dzięki intuicyjnemu interfejsowi użytkownika ChatBoty AI i modele pracujące na zdjęciach zyskały powszechną popularność. W kontraście, ta praca koncentruje się na generowaniu obiektów geometrycznych 3D o stałej topologii, a mianowicie morficznych meshach, które stanowią kluczową część wielu procesów związanych z generatywnym widzeniem komputerowym, a jednocześnie są ukryte przed oczami konsumenta końcowego.Wprowadzamy nowatorski model dyfuzji uwzględniający grafy 3D, który wykorzystuje unikalne zalety morficznych meshy, jednocześnie skutecznie pokonując ich ograniczenia. W związku z tym nazwaliśmy naszą metodę GMMD (Graph-based Morphable Meshes Diffusion).GMMD prezentuje wyniki jakościowe porównywalne z innymi modelami generującymi morficzne meshe, jednocześnie przewyższając je w niektórych metrykach ilościowych.

Generative AI models are in great demand nowadays. Thanks to the intuitive user interface AI ChatBots and image-related models gained widespread popularity. In contrast, this work focuses on generating 3D geometric objects with fixed topology, namely Morphable Meshes. They are a crucial part of many Generative Computer Vision workflows and, at the same time, hidden from the eyes of the end consumer. We introduce a novel 3D graph-aware diffusion model that leverages the unique advantages of Morphable Meshes while effectively overcoming their limitations. Consequently, we named our method GMMD (Graph-based Morphable Meshes Diffusion). GMMD demonstrates qualitative results that are on par with other generative morphable mesh models while surpassing them in certain quantitative metrics.